L’optimisation sous contraintes en probabilité est un cadre mathématique puissant qui aborde les problèmes de prise de décision en présence d’incertitude. Il fournit une approche systématique pour gérer des paramètres aléatoires ou des variables incertaines, permettant aux décideurs de tenir compte de la probabilité de violation de certaines contraintes tout en optimisant une fonction objectif. L’idée centrale de l’optimisation sous contrainte aléatoire est de garantir que la probabilité de violation de contrainte reste inférieure à un seuil spécifié. Ce seuil représente le niveau de risque acceptable ou le niveau de confiance pour le décideur. Dans l’optimisation sous contraintes en probabilité, les paramètres incertains peuvent avoir des distributions connues ou inconnues. Lorsque la distribution des paramètres incertains est connue, des distributions de probabilité telles que normale (gaussienne), elliptique, mélange moyenne-variance normale ou distribution discrète avec support basé sur des données historiques peuvent être utilisées pour représenter l’incertitude. Dans de nombreuses situations pratiques, la distribution de paramètres incertains peut être inconnue ou difficile à estimer avec précision. Dans de tels cas, la distribution des paramètres incertains est supposée appartenir à un ensemble d’incertitudes, ce qui conduit à un problème spécifique, appelé optimisation distributionnellement robuste avec contraintes en probabilité. L’optimisation sous contraintes en probabilité a des applications significatives dans la théorie des jeux et les processus de décision Markoviens (MDP). Dans cette thèse, nous présentons d’abord un résultat théorique de la convexité de l’optimisation sous contraintes en probabilité. Ensuite, nous étudions deux modèles spécifiques de théorie des jeux et de MDP impliquant une optimisation sous contraintes en probabilité, connus sous le nom de jeux contraints par le hasard (CCG) et de processus de décision Markoviens avec des contraintes robustes sur le plan distribution (DRCCMDP). Nous considérons différentes hypothèses sur la distribution des paramètres incertains. Dans les CCG, sous certaines conditions, nous montrons l’existence d’un équilibre de Nash du jeu. Les DRCCMDP peuvent être modélisés comme un problème d’optimisation sous contraintes robustes sur le plan distribution, dans lequel un décideur souhaite maximiser la valeur actualisée attendue d’une fonction de récompense. Sous certaines conditions, nous reformulons le problème d’optimisation de manière équivalente comme un problème déterministe, qui peut être résolu efficacement par des solveurs commerciaux.